-
CNN模型参数解析
2019-07-22 23:39:30输入以下的代码块from keras.models import Sequentialfrom keras.layers import Conv2Dmodel = Sequential()model.add(Conv2D(filters=16, kernel_size=2, strides=2, padding='valid', activa
-
GAN：人工智能是否能够自主创造虚拟世界？
来源：Medium作者：Mike Hearn《星际迷航》（Star Trek）中的全息甲板（Holodeck）最引人关注的就是它创造出虚拟“实感”的方式。其次，企业号航空母舰（U.S.S. Enterprise）上的电脑也引人关注。它可以依据简单的提纲来即时生成场景和故事。《星际迷航》中，让人记忆犹新的那几集，往往都是舰上船员们扮演成他们“编写”进电脑中的故事里的人物，当然，船员们表演的“故事”总
-
简单明了，一文入门视觉SLAM
作者 | 黄浴转载自知乎【导读】SLAM是“Simultaneous Localization And Mapping”的缩写，可译为同步定位与建图。最早，SLAM 主要用在机器人领域，是为了在没有任何先验知识的情况下，根据传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位。因此本文以简单清晰的文字为大家介绍了视觉 V-SLAM。简单的V-SLAM介绍，就当入门：）。首先，从双目立体几
-
各种AI模型拿来就能用！五大深度学习模型库大盘点
你知道PyTorch Hub吗？这个Facebook的深度学习模型库，一问世就引发了巨大关注。因为它太强了：ResNet、BERT、GPT、VGG、PGAN、MobileNet等深度学习领域的经典模型，只需输入一行代码，就能一键调用。不过，人工智能领域，这样的模型库不仅仅只有PyTorch Hub一个，还有其他4个（来自@爱可可-爱生活）：TensorFlow Hub、TensorFlow Mod
-
无需成对示例、无监督训练，CycleGAN生成图像简直不要太简单
作者 | Jason Brownlee译者 | Freesia，Rachel编辑 | 夕颜出品 | AI科技大本营（ID: rgznai100）【导读】图像到图像的转换技术一般需要大量的成对数据，然而要收集这些数据异常耗时耗力。因此本文主要介绍了无需成对示例便能实现图像转换的 CycleGAN 图像转换技术。文章分为五部分，分别概述了：图像转换的问题；CycleGAN 的非成对图像转换原理；Cyc
-
CNN-简单图片分类
原文链接:https://www.dazhuanlan.com/2019/08/17/5d577456ecc9a/假期的时候跟着专知的一个深度学习课程学习了一些深度学习的内容，也是愈发觉得神经网络十分神奇，最近看了一份简单的图片分类的CNN网络，记录学习一下，从简单学起~大部分神经网络的基础就不再写了，网上也有很多介绍，这里就照着代码，顺一遍基本的使用方法~简略介绍训练样本50张，分为3类：0 =
-
1分钟训练百万级别节点嵌入，Mila开源图嵌入训练系统GraphVite
机器之心发布作者：Zhaocheng Zhu等在本文中，来自加拿大 Mila 研究所唐建课题组的研究人员提出了一种图上高性能的嵌入训练系统——GraphVite，训练百万级别的节点嵌入只需 1 分钟左右，比现有实现快 50 倍以上。该系统最大可处理二十亿边的图，是目前速度最快、规模最大的单机图嵌入系统。图是一种通用、灵活的数据结构，可以用来编码不同对象之间的关系，并且在现实世界中非常普遍，如社交网
-
正式支持Transformer与TensorBoard，PyTorch 1.2新鲜出炉
机器之心报道参与：李亚洲、杜伟在 PyTorch 上，你可以像调用卷积一样调用 Transformer 了。PyTorch 作为 Facebook 开发和维护的一个开源框架，近来的发展势头相当强劲。自 2017 年初首发以来，PyTorch 灵活、动态的编程环境及对用户友好的界面使其非常适用于快速实验，因此在社区内迅速发展壮大。2018 年 12 月，PyTorch 1.0 正式版发布，解决了包括
-
IJCAI 2019 | 整合多类信息，阿里文娱提出多视图多标记算法SIMM
IJCAI 2019 将于 8 月 10 日至 16 日在中国澳门隆重召开，本届大会共收到 4752 篇有效提交论文，收录 850 篇，接收率为 17.9%。据机器之心了解，阿里文娱摩酷实验室共有 5 篇论文被接收。本文对其中一篇论文《Multi-View Multi-Label Learning with View-Specific Information Extraction》进行解读。该论文
-
从数据结构到算法：图网络方法初探
机器之心原创作者：朱梓豪编辑：Qing Lin如果说 2019 年机器学习领域什么方向最火，那么必然有图神经网络的一席之地。其实早在很多年前，图神经网络就以图嵌入、图表示学习、网络嵌入等别名呈现出来，其实所有的这些方法本质上都是作用在图上的机器学习。本文将根据近两年的综述对图网络方法做一个总结，为初入图世界的读者提供一个总体的概览。本文作者朱梓豪为中科院信工所在读硕士，主要研究方向为图神经网络、视
-
基于Keras的关联神经网络CorrNet综合指南
选自TowardsDataScience作者：Md Ashiqur Rahman机器之心编译参与：胡曦月、一鸣利用多模态数据提升机器学习表现是一个值得关注的问题。本教程介绍了一种可同时图像和音频数据表征的网络——CorrNet，并提供了相应的实现代码。人与动物都有这五种共同的感官：视觉、听觉、味觉、嗅觉和触觉。除此之外我们还有其它诸如平衡感、加速感和时间感等等。人类大脑无时不刻的在处理所有来自这些
-
ACL2019最佳论文冯洋：TeacherForcing待解决，通用预训练非万能
机器之心原创作者：一鸣ACL 2019 大会近日落幕。来自中国科学院计算所、腾讯微信 AI 实验室、华为诺亚方舟、伍斯特理工学院等研究人员完成的机器翻译论文《Bridging the Gap between Training and Inference for Neural Machine Translation》获得了最佳长论文奖。在本文中，机器之心对此论文通讯作者、中国科学院计算所的冯洋老师进
-
谷歌大脑提出概念激活向量，助力神经网络可解释性研究
选自 KDnuggets作者：Jesus Rodriguez机器之心编译参与：李诗萌、路最近，谷歌大脑团队发表了一篇论文，文中提出了一种叫做概念激活向量（Concept Activation vectors，CAV）的新方法，这种方法为深度学习模型的可解释性提供了一个全新的视角。可解释性仍然是现代深度学习应用的最大挑战之一。计算模型和深度学习研究领域近期取得了很大进展，创建了非常复杂的模型，这些模
-
用 Excel 来阐释什么是多层卷积
原来 Excel 也有这种妙用？！原标题 | Multi-Channel Convolutions explained with… MS Excel!作者 | Thom Lane翻译 | 廖颖、希贝儿•兰姆、Diyz、micah壹路向北、通夜编辑 | Pita在之前的系列里，我们讨论了 1D 卷积， 2D 卷积 ，3D 卷积，今天的我们将会讨论 4D 卷积，5D 卷积， 6D卷积…开玩笑的，我们将
-
谷歌推出基于AI的开源手势识别算法，可识别单手21个骨骼点
8月20日消息，谷歌发布全新的手势识别技术，该技术集成于开源跨平台框架MediaPipe（可为多种类型的感知数据构建处理流程），特点是采用机器学习技术，支持高准确性手势和五指追踪，可根据一帧图像推断出单手的21个立体节点。与目前市面上较先进的手势识别技术相比，谷歌的全新技术不需要依赖台式机来计算，而是在手机上就能进行实时追踪，并且还能同时追踪多只手，可识别遮挡。据谷歌称，该手势识别技术可形成对基础
-
CornerNet-Lite，基于关键点的实时且精度高的目标检测算法已开源
本文要介绍一篇实时性好，准确率又高的论文：CornerNet-Lite。该论文是由普林斯顿大学的几位学者提出。截止目前，据Amusi所了解，CornerNet-Lite应该是目标检测（Object Detection）中FPS和mAP trade-off最佳算法。注：标题注明"吊打YOLOv3"，这个不是标题党。因为CornerNet-Lite 在FPS和mAP上都超过了YOL
-
图像样本不够用？元学习帮你解决
在大多数时候，你是没有足够的图像来训练深度神经网络的。本文将教你如何从小样本数据快速学习你的模型。 为什么我们关心小样本学习？1980年， Kunihiko Fukushima 提出了第一个卷积神经网络。从那时起，由于计算能力的不断提高和机器学习社区的巨大努力，深度学习算法在与计算机视觉相关的任务上从未停止过提高它们的性能。2015年，何凯明和他在微软的团队报告说，他们的模型
-
DeepMind开源强化学习环境，场景灵活界面简单，推特高赞
想搞强化学习，但算力门槛让不少人望而却步。想想DeepMind训练的通用棋类AI AlphaZero，碾压一票同类选手，但堆砌了实验室里5064个TPU的算力。谷歌财大气粗，但小实验室就无法复制了。没有那么大算力，也可以进行强化学习。这一次，“专注强化学习一百年”的DeepMind又出手了，推出了一个小规模的强化学习环境，适合算力有限的实验室。这个强化学习环境名为Spriteworld的强化学习环
-
搞不懂深度学习中常用优化算法背后的数学原理？看这篇就对了
全文共2961字，预计学习时长6分钟图片来源：unsplash.com/@amadorloureiroblanco深度学习是一个高度迭代的过程。必须尝试超参数的各种排列才能确定最佳组合。因此，在不影响成本的前提下，深度学习模式必须在更短的时间内进行训练。本文将解释深度学习中常用优化算法背后的数学原理。优化算法在算法f(x)中，优化算法可得到f(x)的最大值或最小值。在深度学习中，可通过优化代价函数
-
白话深度神经网络
近些年来，深度神经网络异常火爆，各种深度神经网络架构层出不穷。大有千树万树梨花开，各领风骚数小时的趋势！但不管它结构如何改变，层数如何增加，始终离不开最基本的游戏规则：1.承载计算的节点，2.允许数据流动的连接，3.可变化的节点权重下面我就以自己理解的视角，向大家揭开深度神经网络神秘的面纱。首先，自问自答几个似乎哲学般存在的问题：1.什么是深度神经网络？有很多治学严谨的学者或科学家会给出一堆定义（
